程序员如何应对双十一的大数据冲击！是服务器先崩溃还是程序员先崩溃？

双十一来了！在双十一这样的大流量场景中，抢购、下单量会非常大，如果业务应用系统的负载能力有限，非预期的请求，就会给系统带来很大压力，从而拖垮业务应用系统。

那么，在面对大流量时，该如何进行流量控制？

服务接口的流量控制策略：分流、降级、限流等。本文讨论下限流策略，虽然降低了服务接口的访问频率和并发量，却换取服务接口和业务应用系统的高可用。

  限流算法

常用的限流算法有漏桶算法、令牌桶算法。

1、漏桶算法

漏桶（Leaky Bucket）算法思路很简单，水(请求)先进入到漏桶里，漏桶以一定的速度出水（接口有响应速率），当水流入速度过大会直接溢出（访问频率超过接口响应速率），然后就拒绝请求，可以看出漏桶算法能强行限制数据的传输速率。

示意图如下：

可见这里有两个变量，一个是桶的大小，支持流量突发增多时可以存多少的水（burst），另一个是水桶漏洞的大小（rate）。

因为漏桶的漏出速率是固定的参数，所以，即使网络中不存在资源冲突（没有发生拥塞），漏桶算法也不能使流突发（burst）到端口速率。因此，漏桶算法对于存在突发特性的流量来说缺乏效率。

2、令牌桶算法

令牌桶算法（Token Bucket）和 Leaky Bucket 效果一样但方向相反的算法，更加容易理解。

随着时间流逝，系统会按恒定1/QPS时间间隔（如果QPS=100，则间隔是10ms）往桶里加入Token（想象和漏洞漏水相反，有个水龙头在不断的加水），如果桶已经满了就不再加了。新请求来临时，会各自拿走一个Token，如果没有Token可拿了就阻塞或者拒绝服务。

令牌桶的另外一个好处是可以方便的改变速度。一旦需要提高速率，则按需提高放入桶中的令牌的速率。一般会定时（比如100毫秒）往桶中增加一定数量的令牌， 有些变种算法则实时的计算应该增加的令牌的数量。

 ReteLimiter完成限流、抢购场景实现

RateLimiter是Guava提供的基于令牌桶算法的实现类，API使用简单，并且根据系统的实际情况来调整生成Token的速率。

maven引入:

代码:

结果:

rateLimiter.acquire()返回的是本次执行等待的时间，我们可以清楚地看到，第一次无需等待，后边都需要等待两秒才可以执行到，

rateLimiter.acquire()该方法会阻塞线程，直到令牌桶中能取到令牌为止才继续向下执行。

 抢购实现1

我们模拟抢购商品，总共有35件商品，模拟我们服务器只能承受住20个并发，超过20个服务器会挂掉，我们用RateLimiter来进行限流，

我们没有传参数，当然实际场景复杂很多。

使用Jmeter测试开启100个线程进行测试：

统计下商品抢购成功的数据，正好是35个抢购成功。

我们看到在开始进入的请求不需要等待，直接执行，后面进来的需要等待的时间慢慢变长，因为拿不到令牌。

但是这种方法有个很明显的缺陷，在实际并不适合使用，因为用户请求进来，拿不到令牌就需要等待执行，体验十分差。所以下面我们介绍另一种方式。

 抢购实现2

由于RateLimiter是属于单位时间内生成多少个令牌的方式，譬如0.1秒生成1个，那抢购就要看运气了，你刚好是在刚生成1个时进来了。

那么你就能抢到，在这0.1秒内其他的请求就算白瞎了，只能寄希望于下一个0.1秒，而从用户体验上来说，不能让他在那一直阻塞等待。

所以就需要迅速判断，该用户在某段时间内，还有没有机会得到令牌，这里就需要使用TryAcquire（long timeout、TimeUnit、Unit）方法，指定一个超时时间，一旦判断出在timeout时间内还无法取得令牌，就返回false。

注意，这里并不是真正的等待了timeout时间，而是被判断为即便过了timeout时间，也无法取得令牌。这个是不需要等待的。

结果：

在我们的所有日志文件中统计：

▶ 抢购成功：35；

▶ 抢购失败：23；

▶ 无法拿到令牌，未参与抢购：42；

▶ 总数为我们100个线程。

总结

抢购实现的方式有很多种，在抢购2案例中，按照固定的单位时间进行分割，每个单位时间产生一个令牌，可供购买。

我们可以想到平常参与抢购秒杀时，有时候你网速很快，但总是抢不到，现在明白了吧。

真正的抢购不是这么简单，难度也复杂得多。所以不只是在代码中限流能实现的。

瞬间的流量洪峰会冲垮服务器的负载，当几十万人抢购几件商品时，连接口都请求不进来，更别提接口里的令牌分配了。